欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 计算智能(Computational Intelligence , CI)是以生物进化的观点认识和模拟智能.按照这一观点,智能是在生物的遗传.变异.生长以及外部环境的自然选择中产生的.在用进废退.优胜劣汰的过程中,适应度高的结构被保存下来,智能水平也随之提高.因此计算智能就是基于结构演化的智能.计算智能的主要方法有人工神经网络.遗传算法.遗传程序.演化程序.局部搜

x = 1:0.01:2; y = sin(10*pi*x) ./ x; figure plot(x, y) title('绘制目标函数曲线图—Jason niu'); hold on c1 = 1.49445; c2 = 1.49445; maxgen = 50; sizepop = 10; Vmax = 0.5; Vmin = -0.5; popmax = 2; popmin = 1; ws = 0.9; we = 0.4; for i = 1:sizepop pop(i,:) = (ran

figure [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20; mesh(x,y,z) hold on c1 = 1.49445; c2 = 1.49445; maxgen = 1000; sizepop = 100; Vmax = 1; Vmin = -1; popmax = 5; popmin = -5; for i = 1:sizepop pop(i,:)

x = 1:0.01:2; y = sin(10*pi*x) ./ x; figure plot(x, y) title('绘制目标函数曲线图—Jason niu'); hold on c1 = 1.49445; c2 = 1.49445; maxgen = 50; sizepop = 10; Vmax = 0.5; Vmin = -0.5; popmax = 2; popmin = 1; for i = 1:sizepop pop(i,:) = (rands(1) + 1) / 2 + 1;

欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 作者:Geppetto 在机器学习中,离散化(Discretization)和特征选择(Feature Selection,FS)是预处理数据的重要技术,提高了算法在高维数据上的性能.由于许多FS方法需要离散数据,所以通常的做法是在FS之前对数据进行离散化.此外,为了提高效率,特征通常单独(或单变量)离散.这种方案的原理是基于假定每个特征都是独立的,但是当特征之间

一.引言 在讲算法之前,先看两个例子: 例子一:背包问题,一个书包,一堆物品,每个物品都有自己的价值和体积,装满书包,使得装的物品价值最大. 例子二:投资问题,n个项目,第i个项目投资为ci 收益为pi,总投资不得超过C,如何选择项目总收益最大. 如前所述,PSO模拟鸟群的捕食行为.设想这样一个场景:一群鸟在随机搜索食物.在这个区域里只有一块食物.所有的鸟都不知道食物在那里.但是他们知道当前的位置离食物还有多远.那么找到食物的最优策略是什么呢.最简单有效的就是搜寻目前离食物最近的鸟的周围区域.

引言     最近有些朋友总来问我有关遗传算法的东西,我是在大学搞数学建模的时候接触过一些最优化和进化算法方面的东西,以前也写过几篇博客记录过,比如遗传算法的C语言实现(一):以非线性函数求极值为例和C语言实现粒子群算法(PSO)一等,如果对原理有兴趣的话可以去我的博客具体查看:Lyrichu's Blog.所以突发奇想,干脆把以前写的一些进化算法比如遗传算法(GA),粒子群算法(PSO),模拟退火算法(SA)以及最近看的基于梯度的一些优化算法比如Gradient Descent,SGD,Mom

原文:Introduction to 3D Game Programming with DirectX 12 学习笔记之 --- 第六章:在Direct3D中绘制 代码工程地址: https://github.com/jiabaodan/Direct12BookReadingNotes 学习目标 熟悉Direct3D接口的定义,保存和绘制几何数据 : 学习编写基本的顶点和像素着色器: 学习使用渲染流水线状态对象来配置渲染流水线: 理解如何创建常数缓存数据(constant buffer data

题目:一种新的离散粒子群优化算法 中文摘要 粒子群优化算法在许多优化问题上表现得非常好.粒子群优化算法的缺点之一是假设算法中的变量为连续变量.本文提出一个新的粒子群优化算法,能够优化离散变量.这个新算法被称为整数和分类粒子群优化算法,该算法融合了分布估计算法的思想,即粒子代表概率分布而不是解的值,并且PSO更新修改了概率分布.本文描述了该算法,并将其性能与其他离散PSO算法进行了比较.实验表明,该算法比其他离散PSO算法要好 . 中文引言 离散优化问题,如贝叶斯网络中的特征选择或推理,是一组重要

一.问题来源 来自于一份PSO代码,PSO中需要初始化粒子位置和速度. 二.问题探究 众所周知,Matlab中的rand()函数产生的是伪随机数,但一般用来也可以接受.但是,如果我们知道伪随机数的初始状态,那么产生的伪随机数是唯一确定的.问题来了,Matlab每次启动会重置rand()和randn()的初始状态(重置为0),也就是说,你产生的随机数会出现两次随机数一模一样的情况,如: >> rand() >> rand(,) ans = 0.9501 0.2311 0.6068 &

Grant-Permission.ps1 Download the EXE version of SetACL 3.0.6 for 32-bit and 64-bit Windows. Put setacl.exe at the same location with the script. function Grant-Permission { [CmdletBinding(SupportsShouldProcess=$true)] param( [Parameter()] [string]$C

Install-User.ps1 function Install-User { param( [Parameter()] [string]$ComputerName = $env:computername, [Parameter(Mandatory=$true)] [string]$UserName, [Parameter(Mandatory=$true)] [string]$Password, [Parameter()] [bool]$PasswordChangeable = $true,

一.情况 抽象出问题是这样的: class DLL_API1 A { func() { vector vec; B b; b.func(vec); return TRUE; } } 其中B是另一个导出类,定义如下 { private: vector m_vec; public: func( vector &vec ) { vec = m_vec; } } 运行时发现,每次运行到A的return TRUE释放vector的时候,都会报错:user breakpoint called from co

An improved memory model and implementation is disclosed. The memory model includes a Total Store Ordering (TSO) and Partial Store Ordering (PSO) memory model to provide a partial order for the memory operations which are issued by multiple processor

The ranklist of PAT is generated from the status list, which shows the scores of the submissions. This time you are supposed to generate the ranklist for PAT. Input Specification: Each input file contains one test case. For each case, the first line

目录 13.1 本篇概述 13.1.1 本篇内容 13.1.2 概念总览 13.1.3 现代图形API特点 13.2 设备上下文 13.2.1 启动流程 13.2.2 Device 13.2.3 Swapchain 13.3 管线资源 13.3.1 Command 13.3.2 Render Pass 13.3.3 Texture, Shader 13.3.4 Shader Binding 13.3.5 Heap, Buffer 13.3.6 Fence, Barrier, Semaphore

1.简介粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究 .该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型.粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解. 2.基本思想粒子群算法是模拟群体智能所建立起来的一种优化算法,粒子群算法可以用

介绍了PSO基本概念,以及和遗传算法的区别: 粒子群算法(PSO)Matlab实现(两种解法)

欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 作者:Geppetto 前面我们介绍了特征选择(Feature Selection,FS)与离散化数据的重要性,总览的介绍了PSO在FS中的重要性和一些常用的方法.今天讲一讲FS与离散化的背景,介绍本文所采用的基于熵的切割点和最小描述长度原则(MDLP). A.特征选择 特征选择是一个组合优化问题,因为在具有N个特征的数据集上有2N个可能的不同特征子集.FS方法通

作者:Geppetto 前面我们介绍了特征选择(Feature Selection,FS)与离散化数据的重要性,介绍了PSO在FS中的重要性和一些常用的方法.FS与离散化的背景,介绍了EPSO与PPSO方法.今天我们将介绍与实验相关的细节,包括数据集.用于与我们方法进行比较的基线方法.参数设置.终止标准以及实验的硬件配置. A． 实验设计 (1) 数据集 为了在高维数据上测试PPSO的性能,我们使用了在http://www.gems-system.org上提供的10个基因表达数据集.表1描述了关